Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes

Autores
Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge Rubén
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La producción industrial de caucho SBR (Styrene-Butadiene Rubber) utiliza un tren de reactores tanque agitados continuos para la obtención de un látex. En esa etapa, es importante contar con estimaciones en tiempo real de algunas variables en el último reactor del tren, a efectos de lograr productos de calidad con buen nivel de producción. Los soft sensors (SS) son una alternativa adecuada para cumplir con esta tarea, en comparación con las estimaciones típicamente brindadas por laboratorios analíticos y analizadores en línea. El proceso incluye dinámicas complejas y múltiples modos de operación, resultando necesario el uso de SS capaces de capturar esas características. En este trabajo, se propone el desarrollo de un SS basado en redes neuronales recurrentes para estimar la conversión másica del látex a la salida del tren de reactores. La selección de la ventana temporal necesaria para efectuar las estimaciones se basa en un análisis de correlaciones cruzadas y una búsqueda por grilla. Por otra parte, el modelo que conformará al SS se selecciona a través de una exploración de distintas arquitecturas y sus espacios de hiperparámetros. Los resultados de simulación muestran que la adopción de una red neuronal recurrente basada en GRU (Gated Recurrent Unit) y una ventana temporal de 800 minutos exhibe el mejor desempeño para estimar la variable de interés.
Fil: Perdomo, Mariano M. CONICET-UNL. Instituto de Desarrollo Tecnológico para la Industria Química (INTEC); Argentina.
Fil: Perdomo, Mariano M. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación en Ingeniería Eléctrica y Sistemas Energéticos (CIESE); Argentina.
Fil: Clementi, Luis Alberto. CONICET-UNER. Instituto de Investigación en Bioingeniería y Bioinformática (IBB), Argentina.
Fil: Clementi, Luis A. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación en Ingeniería Eléctrica y Sistemas Energéticos (CIESE); Argentina.
Fil: Vega, Jorge Rubén. CONICET-UNL. Instituto de Desarrollo Tecnológico para la Industria Química (INTEC); Argentina.
Fil: Vega, Jorge Rubén. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación en Ingeniería Eléctrica y Sistemas Energéticos (CIESE); Argentina.
Materia
Soft sensor
Producción de caucho
Redes neuronales recurrentes
Nivel de accesibilidad
acceso abierto
Condiciones de uso
CC0 1.0 Universal
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/13002
Acceder
id RIAUTN_fa2d8bef440b7074ae8301726f5c1feb
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/13002
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentesPerdomo, Mariano MiguelClementi, Luis AlbertoVega, Jorge RubénSoft sensorProducción de cauchoRedes neuronales recurrentesLa producción industrial de caucho SBR (Styrene-Butadiene Rubber) utiliza un tren de reactores tanque agitados continuos para la obtención de un látex. En esa etapa, es importante contar con estimaciones en tiempo real de algunas variables en el último reactor del tren, a efectos de lograr productos de calidad con buen nivel de producción. Los soft sensors (SS) son una alternativa adecuada para cumplir con esta tarea, en comparación con las estimaciones típicamente brindadas por laboratorios analíticos y analizadores en línea. El proceso incluye dinámicas complejas y múltiples modos de operación, resultando necesario el uso de SS capaces de capturar esas características. En este trabajo, se propone el desarrollo de un SS basado en redes neuronales recurrentes para estimar la conversión másica del látex a la salida del tren de reactores. La selección de la ventana temporal necesaria para efectuar las estimaciones se basa en un análisis de correlaciones cruzadas y una búsqueda por grilla. Por otra parte, el modelo que conformará al SS se selecciona a través de una exploración de distintas arquitecturas y sus espacios de hiperparámetros. Los resultados de simulación muestran que la adopción de una red neuronal recurrente basada en GRU (Gated Recurrent Unit) y una ventana temporal de 800 minutos exhibe el mejor desempeño para estimar la variable de interés.Fil: Perdomo, Mariano M. CONICET-UNL. Instituto de Desarrollo Tecnológico para la Industria Química (INTEC); Argentina.Fil: Perdomo, Mariano M. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación en Ingeniería Eléctrica y Sistemas Energéticos (CIESE); Argentina.Fil: Clementi, Luis Alberto. CONICET-UNER. Instituto de Investigación en Bioingeniería y Bioinformática (IBB), Argentina.Fil: Clementi, Luis A. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación en Ingeniería Eléctrica y Sistemas Energéticos (CIESE); Argentina.Fil: Vega, Jorge Rubén. CONICET-UNL. Instituto de Desarrollo Tecnológico para la Industria Química (INTEC); Argentina.Fil: Vega, Jorge Rubén. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación en Ingeniería Eléctrica y Sistemas Energéticos (CIESE); Argentina.XX RPIC2025-05-21T20:47:05Z2023info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciapdfapplication/pdfPerdomo, M. M.; Clementi, L. A. & Vega, J. R. (1-3 de noviembre de 2023). Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes. XX Reunión de Trabajo en Procesamiento de la Información y Control (RPIC 2023). Oberá, Misiones, Argentina.https://hdl.handle.net/20.500.12272/13002spaASECAFE0008414MODELADO Y MONITOREO DE PROCESOS INDUSTRIALES CONTINUOS Y SEMICONTINUOS. ALGORITMOS BASADOS EN INFERENCIA BAYESIANA Y APRENDIZAJE MAQUINALinfo:eu-repo/semantics/openAccessCC0 1.0 Universalhttp://creativecommons.org/publicdomain/zero/1.0/Los autoresCreativeCommonsreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:47:25Zoai:ria.utn.edu.ar:20.500.12272/13002instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:47:26.41Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes
title Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes
spellingShingle Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes
Perdomo, Mariano Miguel
Soft sensor
Producción de caucho
Redes neuronales recurrentes
title_short Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes
title_full Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes
title_fullStr Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes
title_full_unstemmed Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes
title_sort Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes
dc.creator.none.fl_str_mv Perdomo, Mariano Miguel
Clementi, Luis Alberto
Vega, Jorge Rubén
author Perdomo, Mariano Miguel
author_facet Perdomo, Mariano Miguel
Clementi, Luis Alberto
Vega, Jorge Rubén
author_role author
author2 Clementi, Luis Alberto
Vega, Jorge Rubén
author2_role author
author
dc.subject.none.fl_str_mv Soft sensor
Producción de caucho
Redes neuronales recurrentes
topic Soft sensor
Producción de caucho
Redes neuronales recurrentes
dc.description.none.fl_txt_mv La producción industrial de caucho SBR (Styrene-Butadiene Rubber) utiliza un tren de reactores tanque agitados continuos para la obtención de un látex. En esa etapa, es importante contar con estimaciones en tiempo real de algunas variables en el último reactor del tren, a efectos de lograr productos de calidad con buen nivel de producción. Los soft sensors (SS) son una alternativa adecuada para cumplir con esta tarea, en comparación con las estimaciones típicamente brindadas por laboratorios analíticos y analizadores en línea. El proceso incluye dinámicas complejas y múltiples modos de operación, resultando necesario el uso de SS capaces de capturar esas características. En este trabajo, se propone el desarrollo de un SS basado en redes neuronales recurrentes para estimar la conversión másica del látex a la salida del tren de reactores. La selección de la ventana temporal necesaria para efectuar las estimaciones se basa en un análisis de correlaciones cruzadas y una búsqueda por grilla. Por otra parte, el modelo que conformará al SS se selecciona a través de una exploración de distintas arquitecturas y sus espacios de hiperparámetros. Los resultados de simulación muestran que la adopción de una red neuronal recurrente basada en GRU (Gated Recurrent Unit) y una ventana temporal de 800 minutos exhibe el mejor desempeño para estimar la variable de interés.
Fil: Perdomo, Mariano M. CONICET-UNL. Instituto de Desarrollo Tecnológico para la Industria Química (INTEC); Argentina.
Fil: Perdomo, Mariano M. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación en Ingeniería Eléctrica y Sistemas Energéticos (CIESE); Argentina.
Fil: Clementi, Luis Alberto. CONICET-UNER. Instituto de Investigación en Bioingeniería y Bioinformática (IBB), Argentina.
Fil: Clementi, Luis A. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación en Ingeniería Eléctrica y Sistemas Energéticos (CIESE); Argentina.
Fil: Vega, Jorge Rubén. CONICET-UNL. Instituto de Desarrollo Tecnológico para la Industria Química (INTEC); Argentina.
Fil: Vega, Jorge Rubén. Universidad Tecnológica Nacional. Facultad Regional Santa Fe. Centro de Investigación en Ingeniería Eléctrica y Sistemas Energéticos (CIESE); Argentina.
description La producción industrial de caucho SBR (Styrene-Butadiene Rubber) utiliza un tren de reactores tanque agitados continuos para la obtención de un látex. En esa etapa, es importante contar con estimaciones en tiempo real de algunas variables en el último reactor del tren, a efectos de lograr productos de calidad con buen nivel de producción. Los soft sensors (SS) son una alternativa adecuada para cumplir con esta tarea, en comparación con las estimaciones típicamente brindadas por laboratorios analíticos y analizadores en línea. El proceso incluye dinámicas complejas y múltiples modos de operación, resultando necesario el uso de SS capaces de capturar esas características. En este trabajo, se propone el desarrollo de un SS basado en redes neuronales recurrentes para estimar la conversión másica del látex a la salida del tren de reactores. La selección de la ventana temporal necesaria para efectuar las estimaciones se basa en un análisis de correlaciones cruzadas y una búsqueda por grilla. Por otra parte, el modelo que conformará al SS se selecciona a través de una exploración de distintas arquitecturas y sus espacios de hiperparámetros. Los resultados de simulación muestran que la adopción de una red neuronal recurrente basada en GRU (Gated Recurrent Unit) y una ventana temporal de 800 minutos exhibe el mejor desempeño para estimar la variable de interés.
publishDate 2023
dc.date.none.fl_str_mv 2023
2025-05-21T20:47:05Z
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv Perdomo, M. M.; Clementi, L. A. & Vega, J. R. (1-3 de noviembre de 2023). Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes. XX Reunión de Trabajo en Procesamiento de la Información y Control (RPIC 2023). Oberá, Misiones, Argentina.
https://hdl.handle.net/20.500.12272/13002
identifier_str_mv Perdomo, M. M.; Clementi, L. A. & Vega, J. R. (1-3 de noviembre de 2023). Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes. XX Reunión de Trabajo en Procesamiento de la Información y Control (RPIC 2023). Oberá, Misiones, Argentina.
url https://hdl.handle.net/20.500.12272/13002
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv ASECAFE0008414
MODELADO Y MONITOREO DE PROCESOS INDUSTRIALES CONTINUOS Y SEMICONTINUOS. ALGORITMOS BASADOS EN INFERENCIA BAYESIANA Y APRENDIZAJE MAQUINAL
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
CC0 1.0 Universal
http://creativecommons.org/publicdomain/zero/1.0/
Los autores
CreativeCommons
eu_rights_str_mv openAccess
rights_invalid_str_mv CC0 1.0 Universal
http://creativecommons.org/publicdomain/zero/1.0/
Los autores
CreativeCommons
dc.format.none.fl_str_mv pdf
application/pdf
dc.publisher.none.fl_str_mv XX RPIC
publisher.none.fl_str_mv XX RPIC
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230937250463744
score 13.265058

Publicaciones similares